sudoAI

关于 sudo AI

据官网介绍，sudo AI 致力于构建通用机器人的基础，使机器人技能能够在物理世界中学习、迁移和部署。官网称，其推出的 #sudo R1 是一个完全集成的机器人系统，包含自主研发的硬件和软件，由专注于物体抓取的操控基础模型驱动。官网将抓取视为物理操控的入门原语，认为如果抓取无法在现实世界物体的长尾分布中可靠工作，许多下游任务将难以实现。

#sudo R1 的核心成果

官网公布了 #sudo R1 的几项关键成果，包括：

• 60 分钟未剪辑评估：在多样物体上连续执行，无挑选片段。
• 零真实世界数据：仅使用仿真数据训练，无需真实世界演示。
• 强零样本泛化能力：可处理未见过的物体，涵盖刚性、可变形、不透明、透明、哑光、反光等多种材质。
• 高鲁棒性：在变化的照明、动态背景、随机物理干扰和障碍物约束下，首次尝试成功率约 98%，两次尝试内成功率接近 100%。
• 真正的闭环敏捷性：每个动作都基于机器人最新观测，以 15-25 Hz 的频率响应动态情况，无开环运动规划或动作分块。
• 自适应空间智能：具备 3D 障碍物感知和可行空间推理能力，能够作为集成学习行为调整轨迹以绕过障碍物。

零样本泛化与鲁棒性

官网称，#sudo R1 能够成功抓取训练中从未见过的各种物体，包括透明玻璃、柔软织物、反光金属和不规则形状物品。一个单一模型即可处理所有这些物体，无需微调或逐物体适配。在视觉条件变化方面，官网表示在受控照明变化和动态背景下，抓取成功率保持近乎一致，无需针对环境进行校准或微调。这种鲁棒性源于仿真训练中应用的大规模视觉随机化，使策略学习依赖几何和物理线索，而非过度拟合特定视觉环境。

真正的闭环敏捷性

官网强调，#sudo R1 采用完全闭环策略，每个控制步骤都基于机器人最新观测。与许多现有 VLA 模型相比，这种设计在执行过程中提供更频繁的反馈。官网指出，许多先前方法采用动作分块，模型处理一次观测后预测一系列未来动作并执行，然后才进行下一次观测。例如，名义上以 20 Hz 运行且分块长度为 20 的系统，在执行过程中实际上每秒仅观测一次环境。而 #sudo R1 使每个步骤都基于观测，以 15-25 Hz 自适应运行。官网称，这使其能够实现许多动作分块架构难以实现的行为，如跟踪移动目标、在抓取中途从扰动中恢复，以及根据场景变化调整运动轨迹。

空间智能

官网表示，#sudo R1 能够在周围物体或结构限制可行接近路径时调整轨迹，绕过障碍物、避免碰撞并利用可用自由空间。这不是叠加的独立碰撞避免模块，而是学习策略的集成能力。

为何选择仿真

官网解释，该领域在泛化、灵巧性、鲁棒性和高频控制方面已分别取得显著进展，但同时实现这些目标仍是开放问题，而制约因素是数据。仅依赖真实世界数据收集太慢、太昂贵，且难以覆盖物体变化的完整分布、系统构建对抗条件以及生成密集障碍场景。仿真通过同时扩展所有维度来消除这一制约。#sudo R1 完全在仿真数据上训练，无需真实世界演示、遥操作或手动标注。官网称，这种方法的优势在于，系统能力的提升通过生成更多数据实现，而非仅靠扩展人力，这是一种根本不同的扩展曲线。官网也承认，实现接触丰富的操控的零真实数据迁移需要同时弥合仿真到现实链中的每个环节，包括物理保真度、接触建模、域随机化和传感器仿真，这些能力需要多年的专门工程投入。

结论与未来方向

官网总结，#sudo R1 证明了仅凭仿真数据（无真实世界演示）即可训练出接近生产级可靠性的操控策略，同时具备泛化性、敏捷性、鲁棒性和空间智能。官网选择抓取作为验证领域，因为它是入门原语。官网表示，抓取只是开始，他们正在将 #sudo R1 扩展到更多技能，利用相同的仿真优先范式，在规模上训练覆盖完整分布变化的能力。